Ray Kurzweil-এর AGI টাইমলাইন: তিনি কীভাবে কয়েক দশক আগের পূর্বাভাস দেন

Kurzweil-এর AGI পূর্বাভাস কেন গুরুত্বপূর্ণ

Kurzweil-এর AGI পূর্বাভাস গুরুত্বপূর্ণ, কারণ এটি কৃত্রিম বুদ্ধিমত্তার অগ্রগতি নিয়ে একটি বিস্তৃত বিশ্বাসকে তারিখ-নির্ধারিত, যাচাইযোগ্য দাবির ধারায় পরিণত করে। বিনিয়োগকারী, গবেষক, সাংবাদিক ও ব্যবসায়িক নেতারা কোনো একদিন বুদ্ধিমান যন্ত্র আসবে কি না, তা নিয়ে তর্কের চেয়ে নির্দিষ্ট পূর্বাভাস নিয়ে বেশি ফলপ্রসূ আলোচনা করতে পারেন।

তাঁর পদ্ধতি এটিও ব্যাখ্যা করে, কেন অগ্রগতি দ্রুততর হতে পারে। উন্নত কম্পিউটার গবেষকদের আরও ভালো কম্পিউটার নকশা করতে সাহায্য করে। বেশি সক্ষম সফটওয়্যার পরের প্রজন্মের সফটওয়্যার তৈরি, পরীক্ষা ও পরিচালনায় সাহায্য করে। খরচ কমলে আরও প্রতিষ্ঠান পরীক্ষা চালাতে পারে, যা জ্ঞান বাড়ায় এবং আরও বিনিয়োগের চাহিদা তৈরি করে।

এই কাঠামো তারিখগুলোকে সঠিক করে না। এটি যুক্তির ধাপগুলোকে দৃশ্যমান করে। পাঠক পরিমাপগুলো যাচাই করতে পারেন, অনুমান নিয়ে প্রশ্ন তুলতে পারেন এবং কোন প্রমাণ পূর্বাভাসকে শক্তিশালী বা দুর্বল করবে তা চিহ্নিত করতে পারেন।

পার্থক্যটি গুরুত্বপূর্ণ, কারণ দীর্ঘমেয়াদি প্রযুক্তি পূর্বাভাসে কয়েক ধরনের পূর্বাভাস একত্রে থাকে। হার্ডওয়্যারকে উন্নত হতে হবে। অ্যালগরিদমকে সম্পদকে কার্যকর সক্ষমতায় রূপ দিতে হবে। প্রশিক্ষণ ডেটা বা বিকল্প শেখার পদ্ধতি সহজলভ্য থাকতে হবে। প্রদর্শনীর বাইরে সিস্টেমকে নির্ভরযোগ্যভাবে কাজ করতে হবে। প্রতিষ্ঠান ও সরকারকে মোতায়েনের অনুমতি দিতে হবে। যেকোনো স্তরে ব্যর্থতা AI অগ্রগতি পুরোপুরি থামানো ছাড়াই AGI টাইমলাইন সরিয়ে দিতে পারে।

সাধারণ-উদ্দেশ্যের AI সিস্টেম লেখা তৈরি, সফটওয়্যার লেখা, ছবি ব্যাখ্যা, টুল ব্যবহার এবং একাধিক ক্ষেত্রে কাজ শিখে নেওয়ায় Kurzweil-এর পূর্বাভাস আরও প্রাসঙ্গিক হয়েছে। এসব সক্ষমতা আলোচনাকে কম কাল্পনিক করে, কিন্তু সিদ্ধান্তে পৌঁছে দেয় না। নিয়ন্ত্রিত ইন্টারফেসে বিস্তৃত দক্ষতা আর উন্মুক্ত পরিবেশে নির্ভরযোগ্য সাধারণ বুদ্ধি এক জিনিস নয়।

তাই কার্যকর প্রশ্নটি Kurzweil আশাবাদী নাকি হতাশাবাদী, তা নয়। প্রশ্ন হলো, তাঁর মডেল কি পরিমাপযোগ্য ইনপুটকে AGI-তে নিহিত সক্ষমতার সঙ্গে যুক্ত করে, এবং সেই সংযোগ কি প্রকৌশল, অর্থনীতি ও মানুষের আচরণের বাস্তবতার মুখোমুখি টেকে।

Ray Kurzweil কে

Ray Kurzweil একজন মার্কিন উদ্ভাবক, লেখক, উদ্যোক্তা ও ভবিষ্যৎবিষয়ক চিন্তাবিদ। বক্তৃতা, পড়া ও সংগীত প্রযুক্তি নিয়ে কয়েক দশকের কাজ থেকেই তাঁর পূর্বাভাসের ভিত্তি তৈরি হয়।

AGI বিতর্কের আগের কাজ

Kurzweil কেবল পূর্বাভাস দিয়ে নয়, বাস্তব সিস্টেম তৈরি করেও পরিচিতি পান। তাঁর কোম্পানিগুলো অপটিক্যাল ক্যারেক্টার রিকগনিশন, টেক্সট-টু-স্পিচ, বক্তৃতা শনাক্তকরণ, ইলেকট্রনিক বাদ্যযন্ত্র এবং দৃষ্টিপ্রতিবন্ধীদের জন্য পাঠ প্রযুক্তি নিয়ে কাজ করত। এসব ক্ষেত্রে কম্পিউটিং হার্ডওয়্যার ও প্যাটার্ন রিকগনিশন, দুই ক্ষেত্রেই অগ্রগতি দরকার ছিল। পরে এই দুটি বিষয় তাঁর পূর্বাভাস পদ্ধতির কেন্দ্রে আসে।

তাঁর কর্মজীবন তাঁকে গবেষণাগারের ফল আর বাজারজাত পণ্যের ফারাকও দেখিয়েছে। রিকগনিশনের নির্ভুলতা, উপাদানের দাম, প্রসেসিং গতি, বিতরণ ও ব্যবহারকারীর চাহিদা, সবই নির্ধারণ করে একটি উদ্ভাবন কখন ব্যাপকভাবে উপযোগী হয়। এ অভিজ্ঞতাই সম্ভবত আলাদা প্রযুক্তি প্রদর্শনীর বদলে দাম-সক্ষমতার রেখার ওপর তাঁর জোরের কারণ।

Kurzweil 2012 সালে Google-এ যন্ত্রবুদ্ধি ও প্রাকৃতিক ভাষা বোঝাপড়া নিয়ে কাজ করতে যোগ দেন। তাতে তিনি বৃহৎ পরিসরের কম্পিউটিং ও AI গবেষণায় বিনিয়োগকারী একটি প্রতিষ্ঠানের ভেতরে চলে আসেন, যদিও তাঁর মূল পূর্বাভাসগুলো এই ভূমিকার আগের।

টাইমলাইনের পেছনের বইগুলো

Kurzweil কয়েকটি বইয়ে তাঁর যুক্তি গড়ে তুলেছেন। The Age of Intelligent Machines কম্পিউটার বুদ্ধির গতিপথ নিয়ে আলোচনা করে। 1999 সালে প্রকাশিত The Age of Spiritual Machines ভবিষ্যতের তারিখ ঘিরে পূর্বাভাস সাজিয়েছে এবং মানুষ ও কম্পিউটারের ক্রমশ ঘনিষ্ঠ মিথস্ক্রিয়া বর্ণনা করেছে। 2005 সালে প্রকাশিত The Singularity Is Near তাঁর ত্বরান্বিত প্রত্যাবর্তন তত্ত্বের সবচেয়ে পরিচিত রূপ তুলে ধরে।

2012 সালে প্রকাশিত How to Create a Mind জ্ঞানের প্রক্রিয়ায় বেশি মনোযোগ দেয় এবং প্যাটার্ন রিকগনিশন প্রক্রিয়া নিওকর্টেক্স ব্যাখ্যা করতে সাহায্য করতে পারে বলে প্রস্তাব করে। 2024 সালে প্রকাশিত The Singularity Is Nearer আধুনিক জেনারেটিভ AI-এর উত্থানের পর পুরোনো পূর্বাভাসগুলো পুনর্বিবেচনা করে এবং নতুন সময়সূচি দেওয়ার বদলে তাঁর মূল তারিখগুলোই রাখে।

বইগুলো বুদ্ধিমত্তাকে একেবারে একইভাবে সংজ্ঞায়িত করে না, তবে একটি যুক্তিতে তারা একমত: তথ্যপ্রযুক্তি চক্রবৃদ্ধি প্রক্রিয়ায় উন্নত হয়, আর সেই প্রক্রিয়া একসময় যন্ত্রবুদ্ধিকে মানুষের বুদ্ধির কাছাকাছি নিয়ে যাবে।

শব্দগুলোর আলাদা সংজ্ঞা দরকার

তিনটি শব্দ প্রায়ই একসঙ্গে মিশে যায়, যদিও এগুলো ভিন্ন দাবি বোঝায়:

• কৃত্রিম সাধারণ বুদ্ধিমত্তা এমন একটি সিস্টেম, যা একটি সংকীর্ণ বিশেষজ্ঞতার মধ্যে সীমিত না থেকে অপরিচিত বহু ধরনের কাজ শিখতে, যুক্তি করতে ও জ্ঞান প্রয়োগ করতে পারে।
• মানবস্তরের AI বলতে মানুষের তুলনীয় কর্মদক্ষতা বোঝায়, কিন্তু এই কথাটি ব্যবহার করলে কোন মানুষ, কোন কাজ, কতটা সহায়তা নেওয়া যাবে এবং কত ভুলকে তুলনীয় ধরা হবে, তা নির্দিষ্ট করতে হবে।
• প্রযুক্তিগত সিঙ্গুলারিটি হলো Kurzweil-এর প্রস্তাবিত এমন এক সময়, যখন যন্ত্রবুদ্ধি ও মানবপ্রযুক্তি এত শক্তিশালী হয়ে উঠবে যে প্রচলিত পূর্বাভাস অনুসরণ করার চেয়ে দ্রুত সমাজ বদলাবে।

একটি যন্ত্র মানবস্তরের AI-এর কোনো ব্যবহারিক সংজ্ঞা পূরণ করেও AGI-এর কঠোর সংজ্ঞা পূরণ নাও করতে পারে। আবার সমাজে সিঙ্গুলারিটির মতো কিছু ঘটার আগেই AGI দেখা দিতে পারে। শব্দগুলোকে সমার্থক ধরে নিলে টাইমলাইন বাস্তবের চেয়ে বেশি নির্ভুল মনে হয়।

Kurzweil-এর প্রকৃত AGI টাইমলাইন

Kurzweil-এর মূল পূর্বাভাস মানবস্তরের যন্ত্রবুদ্ধির সময় 2029 সালের কাছাকাছি এবং প্রযুক্তিগত সিঙ্গুলারিটির সময় 2045 সাল বলে।

2029 সালের পূর্বাভাসে কী বলা হয়েছে

Kurzweil 2029 সালকে একটি যন্ত্রের বৈধ টিউরিং টেস্ট পাস করা এবং মানবস্তরের বুদ্ধিতে পৌঁছানোর সঙ্গে যুক্ত করেছেন। টিউরিং-ধাঁচের মূল্যায়নে একজন মানব বিচারক অদৃশ্য অংশগ্রহণকারীর সঙ্গে কথা বলেন এবং তিনি মানুষ নাকি কৃত্রিম, তা নির্ধারণের চেষ্টা করেন।

বৈধ শব্দটির ওপরই অনেকটা নির্ভর করে। অপ্রস্তুত বিচারকের সঙ্গে সংক্ষিপ্ত কথোপকথন দুর্বল প্রমাণ, কারণ পরিকল্পনা, তথ্যগত সামঞ্জস্য বা অপরিচিত কাজে ব্যর্থ হয়েও একটি সিস্টেম মানুষের ভাষা নকল করতে পারে। শক্তিশালী পরীক্ষায় দক্ষ মূল্যায়নকারী, দীর্ঘ মিথস্ক্রিয়া, প্রতিকূল প্রশ্ন এবং মুখস্থ উত্তর বা গোপন মানব সহায়তা ঠেকানোর ব্যবস্থা থাকা উচিত।

কঠোর টিউরিং টেস্টও কথোপকথনের মাধ্যমে আচরণগত অনুকরণ মাপবে। এটি একাই নির্ভরযোগ্য স্বায়ত্তশাসন, শারীরিক দক্ষতা, চেতনা বা যেকোনো বৌদ্ধিক কাজ আয়ত্ত করার ক্ষমতা প্রমাণ করবে না। Kurzweil-এর বিস্তৃত লেখায় বিশ্বাসযোগ্য চ্যাটবটের চেয়েও বেশি কিছুর ইঙ্গিত আছে, তাই পূর্বাভাস মূল্যায়নে আরও বিস্তৃত মাইলস্টোন দরকার।

2045 সালের পূর্বাভাসে কী বলা হয়েছে

Kurzweil 2045 সালকে আরও বড় এক পরিবর্তনের সঙ্গে যুক্ত করেন, যখন যন্ত্রবুদ্ধি নাটকীয়ভাবে বেড়ে যাবে এবং প্রযুক্তি মানবজীবনের সঙ্গে গভীরভাবে মিশে যাবে। তাঁর যুক্তিতে দ্রুত AI-সহায়িত গবেষণা, কম্পিউটিংয়ের ধারাবাহিক উন্নতি এবং জৈবিক ও অজৈবিক জ্ঞানের মধ্যে ঘনিষ্ঠ সংযোগ রয়েছে।

তাই এটি শুধু কম্পিউটার দ্রুত হবে, এমন পূর্বাভাস নয়। এর জন্য বুদ্ধিমত্তাকে ব্যতিক্রমী গতিতে আরও প্রযুক্তিগত অগ্রগতি তৈরি করতে হবে। উন্নত AI-কে অ্যালগরিদম, হার্ডওয়্যার, চিকিৎসা, উৎপাদন ও বৈজ্ঞানিক আবিষ্কার উন্নত করতে সাহায্য করতে হবে। সেই উন্নতিগুলো আবার সেগুলো তৈরির সিস্টেমে ফিরে আসতে হবে।

ফিডব্যাক লুপ অগ্রগতি দ্রুত করতে পারে, কিন্তু সীমাহীন করে না। পরীক্ষায় সময় লাগে, কারখানা নির্মাণের সময়সূচি থাকে, ভৌত প্রক্রিয়ার সীমা আছে এবং প্রতিষ্ঠানগুলো গুরুত্বপূর্ণ পরিবর্তন পর্যালোচনা করে। প্রতিটি সীমাবদ্ধতার শক্তিই ঠিক করে উন্নতি বিস্ফোরক, শুধু দ্রুত নাকি ক্ষেত্রভেদে অসম দেখাবে।

মাইলস্টোন পূর্বাভাসকে যাচাইযোগ্য করে

একটি কথোপকথনমূলক পরীক্ষার চেয়ে নিচের পর্যবেক্ষণযোগ্য সক্ষমতাগুলো শক্তিশালী প্রমাণ দেবে:

• অল্প কাজ-নির্দিষ্ট প্রশিক্ষণে অপরিচিত কাজে দ্রুত মানিয়ে নেওয়া
• দীর্ঘ কর্মধারায় নির্ভরযোগ্য পরিকল্পনা ও ভুল থেকে পুনরুদ্ধার
• আগের শেখা দক্ষতা মুছে না ফেলে ধারাবাহিক শেখা
• বদলে যাওয়া বাস্তব সীমাবদ্ধতার মধ্যে নির্ভুল টুল ব্যবহার
• স্থায়ী বিশেষজ্ঞ তদারকি ছাড়া ব্যাপক অর্থনৈতিক উপযোগিতা

একটি তারিখ নিয়ে হ্যাঁ-না বিতর্ক এড়িয়ে এসব মাইলস্টোন পূর্বাভাসের মূল প্রতিশ্রুতি ধরে রাখে। আংশিক অগ্রগতিও দৃশ্যমান হয়। একটি সিস্টেম টুল ব্যবহার আয়ত্ত করেও ধারাবাহিক শেখায় দুর্বল থাকতে পারে, অথবা সফটওয়্যারে ভালো করেও শারীরিক পরিবেশে হিমশিম খেতে পারে।

Kurzweil-এর পূর্বাভাসের রেকর্ড

Kurzweil-এর রেকর্ডে উল্লেখযোগ্য সাফল্য, দিকের দিক থেকে ঠিক পূর্বাভাস এবং এমন কিছু ভুল আছে, যা মূল ভাষা ও সময়সীমা ধরে বিচার করলে স্পষ্ট হয়।

কম্পিউটার দাবায় স্পষ্ট সাফল্য

তাঁর বহুল উদ্ধৃত সাফল্যগুলোর একটি দাবা নিয়ে। 1990 সালে Kurzweil পূর্বাভাস দেন, 1998 সালের মধ্যে একটি কম্পিউটার মানব বিশ্ব দাবা চ্যাম্পিয়নকে হারাবে। IBM-এর Deep Blue 1997 সালে ম্যাচে Garry Kasparov-কে হারায়।

ঘটনা, প্রতিপক্ষ ও সময়সীমা চিহ্নিত করা গিয়েছিল বলে এটি বিশেষভাবে শক্তিশালী উদাহরণ। এটি ছিল স্থির নিয়ম, পরিমাপযোগ্য কর্মদক্ষতা এবং বিশেষায়িত হার্ডওয়্যার ও সার্চ অ্যালগরিদম উন্নত করার শক্ত প্রণোদনাসহ একটি আনুষ্ঠানিক ক্ষেত্র। তাই উন্মুক্ত বুদ্ধিমত্তার চেয়ে দাবা পূর্বাভাস দেওয়া সহজ ছিল।

ফলটি দেখিয়েছে, একটি কঠিন বৌদ্ধিক কাজে যন্ত্র অভিজাত মানুষের কর্মদক্ষতাকেও ছাড়িয়ে যেতে পারে। এটি দেখায়নি যে একই সিস্টেম অন্য সমস্যায় নিজের দক্ষতা স্থানান্তর করতে পারে। অসাধারণ সংকীর্ণ কর্মদক্ষতা ও সাধারণ দক্ষতার তফাত AGI বিতর্কে এখনও কেন্দ্রীয়।

যে পূর্বাভাসগুলো দিকের দিক থেকে ঠিক ছিল

Kurzweil ব্যাপক বহনযোগ্য কম্পিউটিং, তারবিহীন সংযোগ, ডিজিটাল নথি, ভোক্তাদের বক্তৃতা প্রযুক্তি এবং নির্বাচিত প্যাটার্ন-রিকগনিশন কাজে মানুষের চেয়ে ভালো AI সিস্টেমের পূর্বাভাস দিয়েছিলেন। এসব পূর্বাভাসের সামগ্রিক দিক পরবর্তী উন্নয়নের সঙ্গে মেলে।

তবে খুঁটিনাটি একরকম ছিল না। কিছু দৃশ্যপটে বর্ণিত নির্দিষ্ট পরিধেয় যন্ত্রের সমষ্টির বদলে মূলত স্মার্টফোন ও ল্যাপটপের মাধ্যমে বহনযোগ্য কম্পিউটিং প্রভাবশালী হয়েছে। বক্তৃতা শনাক্তকরণ ব্যাপক হয়েছে, কিন্তু 2009 সালের মধ্যে বেশিরভাগ মানুষের লেখা তৈরির প্রধান উপায় হিসেবে নিরবচ্ছিন্ন ডিক্টেশন কিবোর্ডকে প্রতিস্থাপন করেনি। ডিজিটাল মাধ্যম দ্রুত বেড়েছে, তবু অফিস, শিক্ষা, সরকার ও ব্যক্তিগত কাজে কাগজ টিকে আছে।

পণ্যের ধরন বা গ্রহণের ধরন বদলে গেলেও অন্তর্নিহিত পরিবর্তন ঘটলে পূর্বাভাস আংশিক কৃতিত্ব পায়। মূল দাবিতে সময়সীমা, বিস্তারের মাত্রা বা পণ্যের ধরন ভুল হলে পুরো কৃতিত্ব পাওয়া উচিত নয়। দিক ও সময় দুটি আলাদা প্রশ্নের উত্তর দেয়।

যে পূর্বাভাসগুলো ধীরে এসেছে বা এখনও অনিশ্চিত

কিছু দৃশ্যপটে সাধারণ ব্যবহারে নিমগ্ন ভার্চুয়াল পরিবেশ, খুব বিশ্বাসযোগ্য যন্ত্রকথোপকথন এবং শরীর ও কম্পিউটারের অনেক ঘনিষ্ঠ সংযোগ প্রত্যাশার চেয়ে আগে আসবে বলে ধরা হয়েছিল। ভার্চুয়াল রিয়েলিটি, সহায়ক যন্ত্র, চিকিৎসা ইমপ্ল্যান্ট ও জেনারেটিভ মডেলের মাধ্যমে এসব ধারণার কিছু উপাদান এসেছে, কিন্তু প্রাপ্যতা আর ব্যাপক গ্রহণ এক নয়।

সামাজিক পছন্দ প্রযুক্তিগতভাবে সম্ভব পূর্বাভাসকেও ব্যর্থ করতে পারে। কোনো যন্ত্র অস্বস্তিকর, ব্যয়বহুল, মনোযোগ নষ্টকারী, সামাজিকভাবে অস্বস্তিকর, মেরামত কঠিন বা অনধিকারচর্চামূলক মনে হওয়ায় মানুষ সেটি প্রত্যাখ্যান করতে পারে। উপাদানের কর্মদক্ষতার রেখা এসব আপত্তি ধরে না।

নির্ভুলতার শতাংশ কেন বিভ্রান্তিকর হতে পারে

Kurzweil তাঁর আগের কাজের পূর্বাভাসগুলো পেছন ফিরে মূল্যায়ন করেন এবং নিজের স্কোরিং পদ্ধতিতে উচ্চ সাফল্যের হার জানান। পর্যালোচনাটি অন্ধ বা স্বাধীন অডিট ছিল না, এবং বহু দাবিতে «মোটের ওপর সঠিক» বা «দিকের দিক থেকে সঠিক» ধরনের শ্রেণি ছিল।

ন্যায্য পর্যালোচনায় চারটি বৈশিষ্ট্য আলাদাভাবে নথিবদ্ধ করা উচিত:

• ঠিক কোন ফলের পূর্বাভাস দেওয়া হয়েছিল
• সময়সীমা এবং গ্রহণযোগ্য বিচ্যুতি
• সাফল্যের পরিমাপযোগ্য সীমা
• ফল দেখার আগে মূল্যায়নকারী মানদণ্ড বেছে নিয়েছিলেন কি না

ট্রানজিস্টরের দামের পূর্বাভাস স্কোর করা সহজ, কিন্তু কম্পিউটার অদৃশ্য হয়ে যাবে বা যন্ত্রের সঙ্গে কথা বলা স্বাভাবিক লাগবে, এমন পূর্বাভাস কঠিন। দুটিকে একই শতাংশে মেলালে সুনির্দিষ্টতা ও কঠিনতার বড় পার্থক্য আড়াল হয়।

ত্বরান্বিত প্রত্যাবর্তনের নিয়ম কীভাবে পূর্বাভাস তৈরি করে

ত্বরান্বিত প্রত্যাবর্তনের নিয়ম Kurzweil-এর টাইমলাইন তৈরি করে প্রযুক্তিগত উন্নতিকে এমন চক্রবৃদ্ধি প্রক্রিয়া হিসেবে দেখে, যেখানে প্রতিটি প্রজন্মের টুল পরের প্রজন্মে অবদান রাখে।

সরলরৈখিক ও সূচকীয় পরিবর্তন

সরলরৈখিক প্রক্রিয়া প্রতিটি সময়পর্বে একই পরিমাণ যোগ করে। কোনো সিস্টেম প্রতি বছর 10 একক সক্ষমতা বাড়ালে তা 10 থেকে 20, তারপর 30, তারপর 40-এ যায়। সূচকীয় প্রক্রিয়া একটি নির্দিষ্ট গুণকে বাড়ায়। পাঁচবার দ্বিগুণ হলে 10 একক 320 এককে পরিণত হয়।

সূচকীয় বৃদ্ধির শুরুতে বড় পরিবর্তন বোঝা যায় না, কারণ পরম পরিবর্তন ছোট থাকে। পরে গুণনের হার অপরিবর্তিত থাকলেও পরিবর্তন হঠাৎ মনে হয়। Kurzweil-এর যুক্তি হলো, মানুষের ধারণা প্রায়ই সরলরৈখিক পরিবর্তন আশা করে এবং তাই চক্রবৃদ্ধিশীল তথ্যপ্রযুক্তিকে কম করে দেখে।

বাস্তব প্রযুক্তিগত রেখা খুব কমই নিখুঁত সূচকীয় হয়। বৃদ্ধির হার বদলায়, পরিমাপে ত্রুটি থাকে এবং পৃথক পদ্ধতি সীমায় পৌঁছায়। দাবি হলো, একটি পদ্ধতি ধীর হয়ে গেলেও ধারাবাহিক পদ্ধতির মধ্যে বিস্তৃত দাম-সক্ষমতার প্রবণতা চলতে পারে।

কাঁচা সক্ষমতার চেয়ে দাম-সক্ষমতা বেশি গুরুত্বপূর্ণ

ব্যয়বহুল গবেষণা সিস্টেমে সীমাবদ্ধ কোনো সক্ষমতার নাগাল সীমিত। খরচ কমলে বিশ্ববিদ্যালয়, স্টার্টআপ, প্রতিষ্ঠিত কোম্পানি ও ব্যক্তিরা বেশি পরীক্ষা চালাতে পারেন। বিস্তৃত ব্যবহার অবকাঠামোর চাহিদা তৈরি করে, ব্যর্থতার ধরন দেখায় এবং পরবর্তী উন্নয়নে অর্থায়ন করা ব্যবসাকে সহায়তা করে।

এই কারণেই Kurzweil প্রায়ই প্রতি খরচের এককে গণনা ক্ষমতা দেখেন। নতুন প্রসেসর দ্রুত হলেও অনুপাতে বেশি ব্যয়বহুল হলে তা ব্যবহার বাড়াতে নাও পারে। কম চিপ, কম শক্তি বা ছোট মডেল দিয়ে একই কাজ শেষ করা সিস্টেম কাঁচা কর্মদক্ষতার রেকর্ড না গড়েও ব্যবহার বদলে দিতে পারে।

AI-এর ক্ষেত্রে প্রাসঙ্গিক হর ক্রমেই একটি অপারেশন বা টোকেনের খরচ নয়, যাচাইকৃত ফলের খরচ। ব্যাপক সংশোধন দরকার এমন সস্তা মডেলের প্রতি সম্পন্ন কাজের খরচ, কম ভুলের হারের ব্যয়বহুল মডেলের চেয়ে বেশি হতে পারে।

প্যারাডাইম পরিবর্তন রেখাকে দীর্ঘায়িত করে

Kurzweil-এর যুক্তি ট্রানজিস্টর স্কেলিং স্থায়ীভাবে চলবে, এমন কথার চেয়ে বিস্তৃত। যান্ত্রিক ক্যালকুলেটর, রিলে, ভ্যাকুয়াম টিউব, ট্রানজিস্টর, ইন্টিগ্রেটেড সার্কিট, বিশেষায়িত অ্যাক্সিলারেটর ও বিতরণকৃত সিস্টেমকে কম্পিউটিং দেওয়ার ধারাবাহিক উপায় হিসেবে দেখা যায়।

একটি পদ্ধতি ভৌত বা অর্থনৈতিক সীমায় পড়লে বিনিয়োগ অন্য পদ্ধতিতে যেতে পারে। ফলে প্রক্রিয়া বদলালেও ঐতিহাসিক রেখা চলতে পারে। দাবিটি Moore-এর আইনের চেয়ে শক্তিশালী, কিন্তু পরীক্ষা করাও কঠিন, কারণ নির্দিষ্ট প্রযুক্তি থেমে গেলে বিভাগটি বড় করা যায়।

একাধিক রেখাকে একসঙ্গে চক্রবৃদ্ধি হতে হবে

শুধু কম্পিউটিং যথেষ্ট নয়। মেমোরি, যোগাযোগ, সফটওয়্যারের দক্ষতা, মডেল আর্কিটেকচার, ডেটার মান ও গবেষণার উৎপাদনশীলতা চূড়ান্ত সক্ষমতাকে প্রভাবিত করে। একে অন্যকে শক্তিশালী করলে অগ্রগতি দ্রুত হতে পারে, যেমন উন্নত অ্যালগরিদম একটি কাজের জন্য দরকারি হার্ডওয়্যার কমায়।

উল্টোটাও সম্ভব। উচ্চমানের ডেটার ঘাটতি, সীমিত বিদ্যুৎ সরবরাহ, মেমোরি ব্যান্ডউইথ বা দুর্বল মূল্যায়ন ব্যয়বহুল প্রসেসরকে কম ব্যবহৃত রাখে। একটি বাড়তে থাকা ইনপুটের ওপর ভিত্তি করা পূর্বাভাস এসব মিথস্ক্রিয়া এড়িয়ে যায়।

প্রমাণ কী সমর্থন করে, আর কী করে না

প্রমাণ AI-এর বহু ইনপুটে ধারাবাহিক উন্নতি জোরালোভাবে সমর্থন করে, কিন্তু এসব ইনপুট থেকে সাধারণ বুদ্ধিতে পৌঁছানোর কোনো স্থির রূপান্তর হার প্রমাণ করে না।

কম্পিউটিং ও অ্যালগরিদমের প্রমাণ

দীর্ঘমেয়াদি রেকর্ড কম্পিউটিংয়ের দাম-সক্ষমতা, স্টোরেজ, নেটওয়ার্ক সক্ষমতা ও সফটওয়্যার সক্ষমতায় বিপুল উন্নতি দেখায়। বিশেষায়িত প্রসেসর, বিতরণকৃত প্রশিক্ষণ, উন্নত সংখ্যাগত ফরম্যাট, ভালো অপ্টিমাইজেশন এবং কম সম্পদে লক্ষ্যফল পাওয়া অ্যালগরিদম থেকেও AI উপকৃত হয়েছে।

স্কেলিং আইন আরেকটি প্রমাণ দেয়। পরীক্ষা করা পরিসর ও নির্দিষ্ট প্রশিক্ষণ সেটআপে মডেলের আকার, ডেটা ও কম্পিউটের পরিবর্তন তুলনামূলকভাবে অনুমানযোগ্যভাবে প্রশিক্ষণ ক্ষতি বদলাতে পারে। এতে গবেষণাগার বড় প্রশিক্ষণ রান পরিকল্পনা করতে এবং সম্পদের বিনিময় বুঝতে পারে।

স্কেলিং আইন বুদ্ধিমত্তার আইন নয়। কম প্রশিক্ষণ ক্ষতি সত্য উত্তর, সুসংগত লক্ষ্য, কার্যকারণ বোঝা বা দীর্ঘ প্রকল্পে সাফল্য নিশ্চিত করে না। পরীক্ষা করা সীমার বাইরে অনুমান করতে হলে ডেটা বণ্টন, আর্কিটেকচার ও মূল্যায়ন অর্থবহ থাকবে ধরে নিতে হয়।

বিস্তৃত AI সক্ষমতার প্রমাণ

সাধারণ-উদ্দেশ্যের মডেল লেখা, অনুবাদ, ছবি ব্যাখ্যা, সফটওয়্যার তৈরি, নথি বিশ্লেষণ ও টুল ব্যবহারের মতো, আগে আলাদা সিস্টেম দরকার হতো এমন কাজ করতে পারে। একটি মডেল প্রায়ই পুনরায় প্রশিক্ষণ ছাড়াই নির্দেশনার মাধ্যমে এসব কাজের মধ্যে বদলাতে পারে।

এই বিস্তৃতি AGI-এর জন্য প্রাসঙ্গিক, কারণ এটি এই ধারণাকে দুর্বল করে যে প্রতিটি বৌদ্ধিক কাজের জন্য আলাদা প্রকৌশলকৃত প্রোগ্রাম দরকার। বিভিন্ন ডেটা থেকে শেখার সময় সক্ষমতা একসঙ্গে দেখা দিতে পারে, এটিও প্রমাণ করে।

বাকি ফারাকটি নির্ভরযোগ্য কর্মদক্ষতায়। সিস্টেম কঠিন সমস্যা সমাধান করেও সহজ ভিন্নতায় ব্যর্থ হতে পারে, ভুল ভিত্তি মেনে নিতে পারে, উৎস বানিয়ে বলতে পারে বা দীর্ঘ কাজে শর্ত ভুলে যেতে পারে। মাঝে মাঝে সাফল্য সম্ভাবনা দেখায়। সাধারণ বুদ্ধির জন্য অপরিচিত পরিস্থিতিতেও যথেষ্ট উচ্চ সাফল্যের হার দরকার।

বেঞ্চমার্ক ফলের প্রেক্ষাপট দরকার

বেঞ্চমার্ক উপযোগী যখন তাতে অদেখা কাজ থাকে, স্পষ্ট স্কোরিং থাকে, দূষণ প্রতিরোধ করে এবং বাস্তব কাজের সঙ্গে যুক্ত আচরণ মাপে। প্রশিক্ষণ ডেটা প্রশ্নগুলো শোষণ করলে বা নির্মাতারা সরাসরি স্কোরিং নিয়মের জন্য অপ্টিমাইজ করলে এগুলোর তথ্যমূল্য কমে।

বিশ্বাসযোগ্য মূল্যায়ন কর্মসূচিতে ডেভেলপমেন্ট টেস্ট ও ব্যক্তিগত চূড়ান্ত টেস্ট আলাদা রাখা, সম্পদ ব্যবহার নথিবদ্ধ করা, পরীক্ষা পুনরাবৃত্তি করা এবং শুধু গড় নয়, ব্যর্থতার বণ্টন জানানো উচিত। উপযুক্ত মানব মানদণ্ডের সঙ্গে সিস্টেমের তুলনাও জরুরি। একই সময় ও টুল সীমার মধ্যে একটি পরীক্ষায় নবীসের সমকক্ষ হওয়া আর প্রশিক্ষিত পেশাজীবীর সমকক্ষ হওয়া আলাদা।

বাস্তব ওয়ার্কফ্লো পরীক্ষা স্থির পরীক্ষায় ধরা না পড়া তথ্য দেয়। তাতে বোঝা যায়, সিস্টেম অনুপস্থিত বিস্তারিত জানতে চায় কি না, নিজের কাজ যাচাই করে কি না, ভুলের পরে ঘুরে দাঁড়ায় কি না এবং কখন থামা উচিত তা বোঝে কি না। স্যাচুরেটেড টেস্ট সেটে আরেকটু লাভের চেয়ে মোতায়েনের জন্য এসব আচরণ বেশি গুরুত্বপূর্ণ।

ফলের চেয়ে ইনপুট মাপা সহজ

কম্পিউট, স্টোরেজ ও ব্যান্ডউইথের স্থিতিশীল একক আছে। সাধারণতা, বিচারবোধ, অভিযোজনশীলতা ও সাধারণ জ্ঞানের নেই। গবেষকেরা প্রসেসর নিখুঁতভাবে গুনতে পারেন, কিন্তু সম্পন্ন একটি কাজ যুক্তি নাকি উন্নত প্যাটার্ন মিল দেখায়, তা নিয়ে মতভেদ হতে পারে।

এই পরিমাপের অমিল পরিমাণগত পূর্বাভাসে এমন নির্ভুলতার আভাস দেয়, যা লক্ষ্য ভেরিয়েবলটি সমর্থন নাও করতে পারে। ভালো ইনপুট ডেটা অনিশ্চয়তার একটি অংশই কমায়।

কয়েক দশক আগের AGI পূর্বাভাসের অনুমান

Kurzweil-এর টাইমলাইন কয়েক স্তরের অনুমানের ওপর নির্ভর করে, এবং এর যেকোনো একটি ব্যর্থ হলে তারিখ অনেকটা সরে যেতে পারে।

কম্পিউট অর্থনৈতিকভাবে সহজলভ্য থাকবে

পূর্বাভাস ধরে নেয়, উন্নত চিপ, বৃহত্তর সিস্টেম, ভালো ব্যবহার বা কম খরচের ইনফারেন্সের মাধ্যমে প্রতিষ্ঠানগুলো উপযোগী কম্পিউট বাড়াতে পারবে। উৎপাদন সক্ষমতা, মূলধনী ব্যয়, বিদ্যুৎ, কুলিং, মেমোরি, নেটওয়ার্কিং ও আন্তর্জাতিক বাণিজ্য, সবই এই সহজলভ্যতাকে প্রভাবিত করে।

ভৌত সীমাকে অগ্রগতি থামাতেই হবে না, টাইমলাইন বদলালেই যথেষ্ট। কয়েক বছর ধরে কম উন্নতির হার চক্রবৃদ্ধি হয়ে মূল প্রক্ষেপণ থেকে বড় ফারাক তৈরি করে।

অ্যালগরিদম সম্পদকে সক্ষমতায় বদলাতে থাকবে

বেশি কম্পিউটকে অর্থবহ লাভ দিতে হবে। বিদ্যমান পদ্ধতি স্কেল করা, আরও দক্ষ আর্কিটেকচার আবিষ্কার, প্রশিক্ষণের লক্ষ্য উন্নত করা, বা শেখা মডেলকে সার্চ, মেমোরি, টুল ও আনুষ্ঠানিক যাচাইয়ের সঙ্গে মিলিয়ে এটি সম্ভব হতে পারে।

এই অনুমান দ্রুত হার্ডওয়্যারের পূর্বাভাসের চেয়ে শক্তিশালী। অ্যালগরিদমিক আবিষ্কার নিয়মিত উৎপাদনসূচিতে আসে না এবং ক্ষেত্রভেদে এর মূল্য বদলায়।

ডেটার সীমা শেখাকে আটকে দেবে না

ভবিষ্যৎ সিস্টেমের দরকার কার্যকর অভিজ্ঞতা। তা মানুষ-তৈরি উপকরণ, বহুমাত্রিক পর্যবেক্ষণ, সিমুলেশন, মিথস্ক্রিয়া, কৃত্রিম উদাহরণ, প্রতিক্রিয়া বা সিস্টেমের নিজের করা পরীক্ষা থেকে আসতে পারে।

কৃত্রিম ডেটা বাইরের প্রমাণের স্বয়ংক্রিয় বিকল্প নয়। কোনো মডেল যদি নিজের ভুল থেকে উপাদান তৈরি করে এবং সংশোধনকারী সংকেত না পায়, প্রশিক্ষণ সেই ভুল শক্তিশালী করতে পারে। বাস্তব পরিবেশে গুরুত্বপূর্ণ বৈশিষ্ট্য বাদ পড়লে সিমুলেশনও খারাপভাবে স্থানান্তরিত হয়।

মানুষের জ্ঞান যন্ত্রে পুনরুৎপাদনযোগ্য

Kurzweil ধরে নেন, বুদ্ধিমত্তা ভৌত তথ্যপ্রক্রিয়া থেকে আসে, যা বোঝা ও অজৈবিক সিস্টেমে বাস্তবায়ন করা সম্ভব। তাঁর হিসাব প্রায়ই উপলভ্য কম্পিউটকে মস্তিষ্কের মডেলের সঙ্গে তুলনা করে এবং স্নায়ুবিজ্ঞানকে প্রকৌশলগত অন্তর্দৃষ্টির উৎস হিসেবে দেখে।

এর জন্য প্রতিটি নিউরন কপি করা দরকার নেই। তবে অজানা কোনো জৈবিক প্রক্রিয়া অতিক্রম-অযোগ্য বাধা তৈরি করে না, এমন আস্থা দরকার। মস্তিষ্কের কম্পিউট অনুমান ভিন্ন হয়, কারণ গবেষকেরা অপারেশন, সিন্যাপস, স্পাইক, জৈবরাসায়নিক প্রক্রিয়া ও শেখার দক্ষতা ভিন্নভাবে গুনেন।

উন্নত AI, AI গবেষণাকে দ্রুত করে

পূর্বাভাসের সবচেয়ে দ্রুত সংস্করণে AI-কে নিজের উন্নতিতে গুরুত্বপূর্ণ অবদান রাখতে হয়। কোড লেখা এই চক্রের একটি অংশ মাত্র। একটি গবেষণা সিস্টেমকে কার্যকর অনুমান তৈরি, পরীক্ষা নকশা, নেতিবাচক ফল ব্যাখ্যা এবং প্রকৃত উন্নতি ও বেঞ্চমার্কে অতিরিক্ত মানিয়ে নেওয়ার ফারাক বুঝতে হবে।

স্ব-উন্নতি প্রবেশাধিকারের ওপরও নির্ভর করে। মানুষ সম্পদ ও অনুমতি না দিলে সক্ষম মডেল হার্ডওয়্যার পুনর্নকশা, বড় পরীক্ষা বা উত্তরসূরি মোতায়েন করতে পারে না। বুদ্ধিমত্তা কিছু ধাপ ছোট করতে পারে, কিন্তু বাইরের বাধা অক্ষত থাকে।

কী AGI-কে দেরি করাতে বা নতুনভাবে সংজ্ঞায়িত করতে পারে

মডেলের সক্ষমতা বাড়তে থাকলেও নির্ভরযোগ্যতা, শেখা, নিরাপত্তা ও মোতায়েন সীমাবদ্ধ হয়ে উঠলে AGI পূর্বাভাসের চেয়ে পরে আসতে পারে।

দীর্ঘ কাজে ছোট ভুলের হারও বেড়ে যায়

প্রতিটি ধাপে একটি সিস্টেম নির্ভুল মনে হলেও বেশিরভাগ দীর্ঘ প্রকল্পে ব্যর্থ হতে পারে। প্রতিটি ধাপ স্বাধীনভাবে 99 শতাংশ সময় সফল হলে, কোনো ভুল ছাড়া 100টি প্রয়োজনীয় ধাপ শেষ করার সম্ভাবনা প্রায় 37 শতাংশ।

বাস্তব ব্যর্থতা প্রায়ই সম্পর্কযুক্ত, তাই ফল আরও খারাপ হতে পারে। শুরুতে ভুল অনুমান পরের প্রতিটি কাজকে দূষিত করতে পারে। তাই ভুল ধরা, পরিকল্পনা সংশোধন, অবস্থা সংরক্ষণ, মধ্যবর্তী ফল পরীক্ষা এবং অস্পষ্ট সিদ্ধান্ত মানুষের কাছে পাঠানোর ওপর অগ্রগতি নির্ভর করে।

এই কারণেই একক উত্তরের মানের চেয়ে স্বায়ত্তশাসিত কাজের সময়কাল বেশি প্রকাশক পরিমাপ। যাচাইকৃত আট ঘণ্টার কাজ শেষ করা মডেল কাজের ধরন বদলে দেয়, আর কয়েক মিনিট পরপর সংশোধন দরকার এমন মডেল তা পারে না।

ধারাবাহিক শেখা এখনও কঠিন

মানুষ অভিজ্ঞতা থেকে নতুন জ্ঞান অর্জন করে, আবার আগে জানা অনেক কিছু ধরে রাখে। মোতায়েনকৃত AI সিস্টেম সাধারণত প্রশিক্ষণ ও ব্যবহারের মধ্যে বিভাজনের ওপর চলে। সেগুলো আপডেট করতে নতুন ডেটাসেট, মূল্যায়ন ও আরেক দফা প্রশিক্ষণ লাগতে পারে।

AGI প্রার্থীকে ক্ষতিকর নির্দেশ, ব্যক্তিগত তথ্য বা ভুল তথ্য গ্রহণ না করে মিথস্ক্রিয়া থেকে নিরাপদে শিখতে পারা উচিত। কোন শিক্ষা একটি পরিস্থিতির জন্য সীমিত আর কোনটি সাধারণীকরণযোগ্য, তাও জানা উচিত। এই সমস্যা সমাধানে মেমোরি নকশা, প্রবেশাধিকার নিয়ন্ত্রণ, উৎস শনাক্তকরণ এবং মারাত্মক বিস্মৃতি ঠেকানো দরকার।

স্বায়ত্তশাসন নিরাপত্তার সমস্যা তৈরি করে

শুধু লেখা প্রস্তাব করে এমন মডেলের কাজের ক্ষেত্র সীমিত। বার্তা পাঠানো, সফটওয়্যার বদলানো, টাকা খরচ, যন্ত্র চালানো বা অ্যাকাউন্ট পরিচালনার অনুমতি পাওয়া সিস্টেম ছোট ভুল বোঝাবুঝি থেকেও ক্ষতি করতে পারে।

তাই বেশি স্বায়ত্তশাসনে সীমাবদ্ধ অনুমতি, অনুমোদনের ধাপ, অডিট লগ, বিচ্ছিন্ন এক্সিকিউশন ও পুনরুদ্ধার পদ্ধতির প্রয়োজন বাড়ে। এসব নিয়ন্ত্রণ কাজ ধীর করতে পারে, কিন্তু তুলে দিলেই বুদ্ধিমত্তা বাড়ে না। এতে ভুলের খরচ ব্যবহারকারী ও আশপাশের মানুষের ওপর পড়ে।

শারীরিক দক্ষতা ডিজিটাল দক্ষতার পেছনে থাকতে পারে

সফটওয়্যারের মাধ্যমে প্রকাশিত বুদ্ধিমত্তা দ্রুত ও পুনরাবৃত্তিযোগ্য পরিবেশের সুবিধা পায়। শারীরিক কাজে ঘর্ষণ, ভাঙন, অনিশ্চিত সেন্সর, অস্বাভাবিক বস্তু, বদলে যাওয়া আবহাওয়া এবং মানুষের আশপাশে নিরাপত্তা সামলাতে হয়।

রোবট তুলনীয় নমনীয়তায় পৌঁছানোর আগেই একটি AI সিস্টেম গবেষণা, বিশ্লেষণ, যোগাযোগ ও সফটওয়্যারে ব্যাপক সক্ষম হতে পারে। সেটি AGI কি না, সংজ্ঞার ওপর নির্ভর করে। কম্পিউটারের মাধ্যমে সাধারণ জ্ঞানীয় কাজের চেয়ে মানবস্তরের শারীরিক অভিযোজন চাওয়া উচ্চতর মানদণ্ড।

প্রতিষ্ঠান আরও শক্ত প্রমাণ চাইতে পারে

চিকিৎসা, অর্থনীতি, পরিবহন, জনপ্রশাসন ও গুরুত্বপূর্ণ অবকাঠামোতে এমন পরিণতি থাকে, যা সাধারণ বেঞ্চমার্ক পরীক্ষায় ধরা পড়ে না। বীমাকারী, নিয়ন্ত্রক, আদালত, গ্রাহক ও পেশাজীবী সংস্থা স্বায়ত্তশাসিত কাজের অনুমতির আগে নথিবদ্ধ কর্মদক্ষতা চাইতে পারে।

এই বিলম্বের অর্থ মূল মডেলে বুদ্ধিমত্তার অভাব নয়। এর অর্থ সক্ষমতা আর অনুমতি আলাদা মাইলস্টোন। প্রযুক্তিগত সম্ভাব্যতার পূর্বাভাসে অবিলম্বে সামাজিক মোতায়েন ধরে নেওয়া উচিত নয়।

Kurzweil-এর পদ্ধতির প্রধান সমালোচনা

Kurzweil-এর পদ্ধতির প্রধান সমালোচনা হলো, তথ্যপ্রযুক্তির নির্ভরযোগ্য প্রবণতা দুর্বলভাবে সংজ্ঞায়িত জ্ঞানীয় সক্ষমতার আগমনের তারিখ স্বয়ংক্রিয়ভাবে ঠিক করে না।

প্রবণতা বাছাই উত্তরকে প্রভাবিত করতে পারে

দীর্ঘ ঐতিহাসিক রেখা কোন প্রযুক্তি, দাম ও কর্মদক্ষতার পরিমাপ ডেটাসেটে থাকবে, সে সিদ্ধান্তের ওপর নির্ভর করে। ধারাবাহিক কম্পিউটিং পদ্ধতি মিলিয়ে দেখা প্রকৃত ধারা দেখাতে পারে, তবে পৃথক একটি সিরিজ দিক বদলালেও ধারা ধরে রাখতে বিশ্লেষককে নমনীয়তা দেয়।

শুরু ও শেষের তারিখও গুরুত্বপূর্ণ। দ্রুত উন্নতির স্বল্প সময়কে স্থায়ী সূচকীয় মনে হতে পারে, আর দীর্ঘ গড় সাম্প্রতিক ধীরগতি আড়াল করতে পারে। পূর্বাভাসে ভিত্তির পর্যবেক্ষণ প্রকাশ করা এবং ভিন্ন সময়সীমায় ফল কী বদলায় তা দেখানো উচিত।

বুদ্ধিমত্তা একটিই স্কেলযোগ্য পরিমাণ নাও হতে পারে

যুক্তি, মেমোরি, সামাজিক বিচারবোধ, উপলব্ধি, চলন নিয়ন্ত্রণ ও তথ্যগত নির্ভুলতায় কর্মদক্ষতা সমানভাবে বাড়ে না। একটি সিস্টেম এক ক্ষেত্রে অনেক উন্নতি করেও অন্য ক্ষেত্রে অনির্ভরযোগ্য থাকতে পারে।

এই অসমতা যন্ত্রের সক্ষমতা আর মস্তিষ্কের আনুমানিক গণনাক্ষমতার তুলনাকে কঠিন করে। সংখ্যাগত অপারেশনের একটি সীমা মিললেই ওই অপারেশন কার্যকরভাবে ব্যবহারে দরকারি অ্যালগরিদম, উপস্থাপনা, বিকাশগত অভিজ্ঞতা বা আর্কিটেকচার চিহ্নিত হয় না।

জটিল সিস্টেমে নিয়মের পরিবর্তন ঘটে

প্রকৌশল, অর্থনীতি বা নীতি বদলালে ঐতিহাসিক সম্পর্ক ভেঙে যেতে পারে। উৎপাদন খরচ বাড়তে পারে। শক্তির চাহিদা স্থানীয় গ্রিডের সীমায় ঠেকতে পারে। নিয়ম প্রশিক্ষণ ডেটা বা মোতায়েন সীমিত করতে পারে। ভোক্তা সংবেদনশীল তথ্য সংগ্রহকারী পণ্য প্রত্যাখ্যান করতে পারে।

এসব পরিবর্তন চক্রবৃদ্ধিশীল অগ্রগতির সাধারণ পর্যবেক্ষণকে খণ্ডন করে না। তবে আগের হার চলবে ধরে তৈরি ক্যালেন্ডারের তারিখে আস্থা কমায়।

পুনরাবৃত্ত উন্নতি বিস্ফোরক হবেই, এমন নয়

সক্ষম AI গবেষক প্রথমে সহজ উন্নতি খুঁজে পেতে পারে, পরে কঠিন সমস্যায় পড়তে পারে। প্রতিটি প্রজন্মে লাভ কমে যেতে পারে, বেশি যাচাই লাগতে পারে, বা নির্দিষ্ট সময়ের ভৌত পরীক্ষার ওপর নির্ভর করতে পারে।

সফটওয়্যার দ্রুত কপি ও পরীক্ষা করা গেলেও চিপ তৈরি, ক্লিনিক্যাল গবেষণা, নির্মাণ ও শক্তি অবকাঠামো ভিন্ন সময়সূচিতে চলে। সিঙ্গুলারিটির দাবির জন্য শুধু সফটওয়্যার বুদ্ধির মডেল নয়, এসব সীমাবদ্ধ প্রক্রিয়ারও মডেল দরকার।

নমনীয় ভাষা খণ্ডনযোগ্যতা কমায়

বুদ্ধিমত্তা, মিশে যাওয়া, সর্বব্যাপী বা মানবস্তরের মতো শব্দ পুনর্ব্যাখ্যার জন্য খোলা থাকলে পূর্বাভাস ভুল প্রমাণ করা কঠিন হয়। কথোপকথনমূলক মডেল, চিকিৎসা ইমপ্ল্যান্ট ও স্মার্টফোন, তিনটিকেই বিস্তৃত মানুষ-যন্ত্র সংযুক্তির আংশিক প্রমাণ হিসেবে উপস্থাপন করা যায়।

ভালো পূর্বাভাস সময়সীমার আগে স্কোরিং নিয়ম স্থির করে। ফল দেখার পরে মূল সীমা বদলালে চর্চাটি পূর্বাভাসের নির্ভুলতা নয়, গল্প বদলে নেওয়ার ক্ষমতা মাপে।

অন্য পূর্বাভাসকারীরা কীভাবে AGI টাইমলাইন নির্ধারণ করেন

অন্য পূর্বাভাসকারীরা বিশেষজ্ঞ জরিপ, কম্পিউট মডেল, সক্ষমতার প্রবণতা, কাঠামোবদ্ধ দৃশ্যপট ও পূর্বাভাস বাজার ব্যবহার করেন। প্রতিটি পদ্ধতি অনিশ্চয়তার ভিন্ন উৎস দেখায়।

বিশেষজ্ঞ জরিপ

জরিপে গবেষকদের জিজ্ঞেস করা হয়, কোন সময়ে তাঁরা মানবস্তরের যন্ত্রবুদ্ধি বা নির্দিষ্ট কাজের অটোমেশনের নির্দিষ্ট সম্ভাবনা দেন। প্রযুক্তির কাছাকাছি কাজ করা মানুষদের অভিজ্ঞ বিচার এতে ধরা পড়ে এবং গুরুত্বপূর্ণ ফলের পরে বিশ্বাস কীভাবে বদলায় তা দেখা যায়।

উত্তর নমুনা ও ভাষার ওপর ব্যাপকভাবে নির্ভর করে। মেশিন লার্নিং সম্মেলনের লেখকদের জরিপ রোবোটিক্স, স্নায়ুবিজ্ঞান, নিরাপত্তা বা অর্থনীতিকেন্দ্রিক জরিপের চেয়ে আলাদা হতে পারে। AI বেশিরভাগ বেতনভিত্তিক কাজ করতে পারবে, এটি জিজ্ঞেস করা আর সব কাজে মানুষকে ছাড়িয়ে যাবে, এটি জিজ্ঞেস করা এক নয়।

একটি বছরের দাবি করার চেয়ে সম্ভাবনার প্রশ্ন বেশি তথ্য দেয়। কোনো পূর্বাভাসকারী 10, 50 ও 90 শতাংশ সম্ভাবনার তারিখ দিলে, তিনি একটি পয়েন্ট অনুমানের আড়ালে অনিশ্চয়তা লুকিয়ে না রেখে বণ্টন দেখান।

কম্পিউট-ভিত্তিক মডেল

কম্পিউট মডেল প্রাসঙ্গিক মানব জ্ঞানের দিক পুনরুৎপাদনে দরকারি সম্পদ অনুমান করে, তারপর সেই সম্পদ কখন সাশ্রয়ী হবে তার পূর্বাভাস দেয়। জৈবিক-ভিত্তি পদ্ধতি এ ধরনের পদ্ধতির একটি রূপ।

হিসাবটি সংশোধনের জন্য যথেষ্ট স্বচ্ছ, তবে অনিশ্চয়তার পরিসর বড়। মস্তিষ্কের কম্পিউট, প্রশিক্ষণের চাহিদা, অ্যালগরিদমের দক্ষতা, হার্ডওয়্যারের দাম এবং ব্যবহারিক সিস্টেমে জ্ঞানের কতটা পুনরুৎপাদন দরকার, গবেষকদের এসব অনুমান করতে হয়। একাধিক অনিশ্চিত অনুমান গুণ করলে তারিখের পরিসর বিস্তৃত হয়।

সক্ষমতা-ভিত্তিক পূর্বাভাস

সক্ষমতা পূর্বাভাস নির্দিষ্ট কাজে কর্মদক্ষতা অনুসরণ করে এবং সিস্টেমগুলো যে হারে ব্যবধান কমাচ্ছে তা অনুমান করে। কার্যকর লক্ষ্যগুলোর মধ্যে সফটওয়্যার প্রকল্প, বৈজ্ঞানিক সমস্যা সমাধান, অপরিচিত খেলা, গবেষণা সহায়তা এবং ইন্টারঅ্যাকটিভ পরিবেশে কাজ রয়েছে।

পদ্ধতিটি পর্যবেক্ষণযোগ্য ফলের কাছাকাছি থাকে। এর দুর্বলতা হলো বেঞ্চমার্ক অগ্রগতি একই হারে চলতেই হবে না, আর নানা কাজে জয়ী হয়েও সাধারণ কাজের দরকারি একটি সক্ষমতা বাদ পড়ে যেতে পারে।

দৃশ্যপট পরিকল্পনা ও পূর্বাভাস বাজার

দৃশ্যপট পরিকল্পনা একটি ভবিষ্যৎ বেছে নেওয়ার বদলে একাধিক ভেতরে সামঞ্জস্যপূর্ণ ভবিষ্যৎ গড়ে। দ্রুত দৃশ্যপটে দক্ষ অ্যালগরিদম, প্রাচুর্যপূর্ণ অবকাঠামো ও সফল AI-সহায়িত গবেষণা থাকতে পারে। ধীর দৃশ্যপটে কমতে থাকা লাভ, কঠিন নিরাপত্তা প্রকৌশল বা সীমিত মোতায়েন থাকতে পারে।

পূর্বাভাস বাজার ও প্ল্যাটফর্ম সুসমঞ্জস অনুমানের প্রণোদনা দেয় এবং নতুন প্রমাণ এলে বিশ্বাস হালনাগাদ করতে দেয়। পরিষ্কার নিষ্পত্তির মানদণ্ড থাকলেই এগুলো কার্যকর। AGI হিসেবে কোন ঘটনা গণ্য হবে, তা নিয়ে অংশগ্রহণকারীরা একমত না হলে বাজার ন্যায্যভাবে নিষ্পত্তি হতে পারে না।

কোনো পদ্ধতি সংজ্ঞাগত অনিশ্চয়তা দূর করে না। পূর্বাভাস তুলনা শুরু হয় সেগুলোকে একই লক্ষ্য, প্রমাণের মান ও সম্ভাবনার স্তরে অনুবাদ দিয়ে।

কোন সংকেত পূর্বাভাসকে শক্তিশালী বা দুর্বল করবে

সবচেয়ে শক্তিশালী সংকেত আলাদা প্রদর্শনীর প্রচারের বদলে স্থানান্তরযোগ্য দক্ষতা, দীর্ঘস্থায়ী স্বায়ত্তশাসন, শেখার দক্ষতা, যাচাইকৃত অর্থনীতি ও নিরাপদ মোতায়েন মাপবে।

সত্যিকার নতুন কাজে স্থানান্তর

শক্তিশালী সিস্টেমের উচিত তার প্রশিক্ষণ কাটঅফের পরে তৈরি এবং নির্মাতাদের থেকে গোপন রাখা কাজে ভালো করা। অপরিচিত নিয়ম বুঝে নেওয়া, অনুপস্থিত তথ্য চাওয়া এবং নিজস্ব প্রশিক্ষণ প্রকল্প ছাড়াই এক ক্ষেত্রের জ্ঞান অন্য ক্ষেত্রে প্রয়োগ করতে পারা উচিত।

মূল্যায়নকারীদের ভাষা, টুল, ডেটা ফরম্যাট ও পরিবেশগত সীমাবদ্ধতা বদলানো উচিত। এসব ভিন্নতায় সাফল্য পরিচিত পরীক্ষার ধরন মুখস্থ করার চেয়ে সাধারণতার ভালো প্রমাণ দেয়।

দীর্ঘতর স্বায়ত্তশাসিত কাজের সময়সীমা

নির্দিষ্ট গ্রহণযোগ্যতার মানে সম্পন্ন কাজের সময়কাল ও জটিলতা অনুসরণ করুন। কার্যকর পরিমাপে পুনঃচেষ্টা, মানব হস্তক্ষেপ, যাচাইয়ের সময় এবং পরিবেশকে খারাপ অবস্থায় ফেলে যাওয়া ব্যর্থতা থাকবে।

প্রদর্শনের সর্বোচ্চ দৈর্ঘ্য বাড়া, নির্ভরযোগ্য কাজের মধ্যম দৈর্ঘ্য বাড়ার চেয়ে কম অর্থবহ। বহু পরীক্ষায় পুনরাবৃত্ত কর্মদক্ষতা দেখায় পরিকল্পনা ও পুনরুদ্ধার উন্নত হয়েছে কি না।

গ্রহণযোগ্য ফলের খরচ কমা

টোকেনের দাম ও মডেলের আকার সরাসরি ব্যবসায়িক মূল্য মাপে না। প্রতি গ্রহণযোগ্য ফলের খরচে মডেল ব্যবহার, টুল, পর্যালোচনা, সংশোধন, অবকাঠামো ও ভুলজনিত ক্ষতি থাকে।

বহু ধরনের কাজে যাচাইকৃত খরচ কমলে ত্বরান্বিত প্রত্যাবর্তনের যুক্তি সমর্থন পাবে, কারণ এতে বেশি পরীক্ষা ও বিস্তৃত গ্রহণ সম্ভব হবে। তদারকি বা পুনর্কাজের কারণে খরচ বেশি থাকলে শুধু সস্তা ইনফারেন্সের ভিত্তিতে করা দাবিগুলো দুর্বল হবে।

মোতায়েনের পর নিরাপদ শেখা

সিস্টেম সীমাহীন পুনঃপ্রশিক্ষণ ছাড়া এবং আগের দক্ষতা না হারিয়ে নতুন অভিজ্ঞতা অন্তর্ভুক্ত করতে পারলে সাধারণ বুদ্ধির প্রমাণ শক্তিশালী হবে। পরীক্ষায় দেখা উচিত সিস্টেম নির্ভরযোগ্য প্রমাণ ও প্রভাবিত করার চেষ্টার ফারাক করতে পারে কি না, গোপনীয়তার সীমা রক্ষা করে কি না এবং নতুন বিশ্বাসের উৎস ব্যাখ্যা করতে পারে কি না।

এ ক্ষেত্রে অগ্রগতি স্থির মডেল ও অভিযোজিত কর্মীর বড় পার্থক্য কমাবে। ব্যর্থতা হলে আলাদা মডেল জ্ঞানী মনে হলেও প্রতিষ্ঠানকে বাইরের আপডেট চক্রের ওপর নির্ভর করতে হবে।

স্বাধীন পরিচালনাগত প্রমাণ

নিরীক্ষিত মোতায়েন দেখাতে পারে AI সফটওয়্যার, বিজ্ঞান, সহায়তা, পরিচালনা ও অন্য ক্ষেত্রে স্থায়ী লাভ দিচ্ছে কি না। কার্যকর প্রতিবেদনে কাজের সংজ্ঞা, ভিত্তিমূলক কর্মদক্ষতা, ভুলের তীব্রতা, তদারকির চাহিদা ও মোট খরচ থাকবে।

সবচেয়ে দ্রুত টাইমলাইনের বিপরীত প্রমাণের মধ্যে থাকবে নির্ভরযোগ্য কাজের সময়কাল স্থির থাকা, সহজ ভিন্নতায় স্থায়ী ব্যর্থতা, গ্রহণযোগ্য ফলপ্রতি অবকাঠামো খরচ বাড়া, অথবা বেশিরভাগ কার্যকর স্বায়ত্তশাসন ছাড়া নিরাপত্তা উন্নত করতে না পারা। একটি বেঞ্চমার্কে সাময়িক বিরতির চেয়ে এগুলো শক্তিশালী বিপরীত সংকেত।

পরিকল্পনার জন্য বাস্তব শিক্ষা

Kurzweil-এর পূর্বাভাসের বাস্তব প্রতিক্রিয়া হলো দ্রুত AI অগ্রগতির জন্য প্রস্তুতি নেওয়া, কিন্তু একটি তারিখের ওপর ব্যবসা, কর্মজীবন বা নীতি নির্ভর না করা।

বর্তমান সক্ষমতা ও AGI আলাদা করুন

প্রতিষ্ঠানগুলোর ভাষা মডেল, সফটওয়্যার এজেন্ট, নথি বিশ্লেষণ বা স্বয়ংক্রিয় ওয়ার্কফ্লো থেকে লাভ পেতে AGI দরকার নেই। তবে প্রতিটি টুলকে সীমিত কাজের সঙ্গে মিলিয়ে দেখতে হবে এবং সেটি অর্থনৈতিকভাবে কাজটি করে কি না যাচাই করতে হবে।

প্রতিটি কার্যকর সিস্টেমকে AGI বললে দুই দিকেই খারাপ সিদ্ধান্ত হয়। মডেল অনির্ভরযোগ্য হলে এটি বেপরোয়া স্বায়ত্তশাসন উৎসাহিত করে, আর সীমিত তত্ত্বাবধানে কাজ ইতিমধ্যে ভালো চললে অপ্রয়োজনীয় বিলম্ব ঘটায়।

ফিরিয়ে আনা যায় এমন পরীক্ষা করুন

যুক্তিসঙ্গত বাস্তবায়ন প্রক্রিয়া ভুল হওয়ার খরচ সীমিত রাখে:

• মডেল বাছাইয়ের আগে কাজ, সীমাবদ্ধতা ও গ্রহণযোগ্যতার পরীক্ষা ঠিক করুন
• কর্মদক্ষতা মাপা পর্যন্ত গুরুত্বপূর্ণ কাজ স্পষ্ট অনুমোদনের আড়ালে রাখুন
• ভুলকে একটি গড় স্কোরে না মিশিয়ে তীব্রতা ও কারণ অনুযায়ী নথিবদ্ধ করুন
• পুনরুদ্ধারের জন্য স্ন্যাপশট, লগ ও রোলব্যাক পদ্ধতি রাখুন
• মোট যাচাইকৃত খরচকে বর্তমান প্রক্রিয়ার সঙ্গে তুলনা করুন

AI অগ্রগতি দ্রুত, অসম বা ধীর যাই হোক, এই পদ্ধতি কার্যকর থাকে। AGI আসার নির্দিষ্ট তারিখে বিশ্বাস না করেও এটি এমন প্রমাণ তৈরি করে, যা কৌশল হালনাগাদ করতে সাহায্য করে।

Koder.ai সফটওয়্যার উন্নয়নের জন্য এ ধরনের পরীক্ষা চালানোর একটি উপায় দেয়। এর চ্যাট ইন্টারফেস React ওয়েব অ্যাপ্লিকেশন, PostgreSQL ডেটাবেসসহ Go সার্ভিস এবং Flutter মোবাইল অ্যাপ্লিকেশন তৈরি করতে পারে। প্ল্যানিং মোড বাস্তবায়নের আগে কাজ সংজ্ঞায়িত করতে সাহায্য করে, আর স্ন্যাপশট ও রোলব্যাক পরীক্ষা ফিরিয়ে নেওয়া সহজ করে। সোর্স কোড এক্সপোর্ট, ডিপ্লয়মেন্ট, হোস্টিং ও কাস্টম ডোমেইন সমর্থন দলকে অ্যাপ পরীক্ষা করে ফলের ওপর বাস্তব নিয়ন্ত্রণ রাখতে দেয়।

এসব সক্ষমতার জন্য AGI এসে গেছে ঘোষণা করা দরকার নেই। এগুলো বর্তমান AI-কে নির্দিষ্ট ওয়ার্কফ্লোতে প্রয়োগ করে, যার ফল দেখা ও যাচাই করা যায়। একজন প্রতিষ্ঠাতা ওয়েবসাইট, CRM, ERP বা মোবাইল পণ্যের প্রোটোটাইপ তৈরি করে ব্যবহারকারীর সঙ্গে পরীক্ষা করতে পারেন এবং আরও বিনিয়োগ যৌক্তিক কি না সিদ্ধান্ত নিতে পারেন।

তিনটি দৃশ্যপট ধরে পরিকল্পনা করুন

দ্রুত অগ্রগতির দৃশ্যপটে ধরা হয়, এজেন্ট শিগগির দীর্ঘ কাজজুড়ে নির্ভরযোগ্য হবে। প্রস্তুতিতে অনুমতির নকশা, মূল্যায়ন ক্ষমতা, সাংগঠনিক একীভূতকরণ ও দ্রুত পরীক্ষা গুরুত্বপূর্ণ।

অসম অগ্রগতির দৃশ্যপটে কিছু ক্ষেত্রে শক্তিশালী কর্মদক্ষতার পাশাপাশি অন্য ক্ষেত্রে স্থায়ী দুর্বলতা ধরা হয়। প্রস্তুতিতে কাজ ভেঙে ভাগ করা, উপযুক্ত সিস্টেমে কাজ পাঠানো এবং ভুলের খরচ বেশি হলে মানব পর্যালোচনা রাখা গুরুত্বপূর্ণ।

ধীর অগ্রগতির দৃশ্যপটে বর্তমান পদ্ধতি কঠিন সীমায় পৌঁছায় বলে ধরা হয়। প্রস্তুতিতে এমন বিনিয়োগ অগ্রাধিকার পাবে যা প্রচলিত কাজও উন্নত করে, যেমন ভালো ডেটা, স্পষ্ট প্রক্রিয়া, মডুলার সফটওয়্যার ও পরিমাপযোগ্য গুণমান নিয়ন্ত্রণ।

তিনটি দৃশ্যপটেই কাজ করে এমন সিদ্ধান্ত, কেবল একটি পূর্বাভাস হুবহু ঠিক হলে সফল হয় এমন বড় অপরিবর্তনীয় বাজির চেয়ে মূল্যবান।

প্রতিটি পূর্বাভাস সম্পর্কে নির্দিষ্ট প্রশ্ন করুন

AGI পূর্বাভাসের ভিত্তিতে কাজ করার আগে ঠিক করুন:

• কোন পর্যবেক্ষণযোগ্য আচরণ AGI হিসেবে গণ্য হবে?
• উল্লিখিত বছরের সঙ্গে কত সম্ভাবনা যুক্ত?
• কোন প্রমাণে পূর্বাভাসকারী তারিখ বদলাবেন?
• মডেলে কোন প্রযুক্তিগত বা সামাজিক সীমাবদ্ধতা বাদ দেওয়া হয়েছে?
• ফল ভিন্ন রূপে এলে পূর্বাভাস কীভাবে স্কোর করা হবে?

Kurzweil-এর টাইমলাইন চক্রবৃদ্ধিশীল প্রযুক্তিগত অগ্রগতির একটি অনুমান হিসেবে সবচেয়ে উপযোগী। এর মূল্য কোনো ক্যালেন্ডার বছরকে প্রতিশ্রুতি ভাবায় নয়, বরং পাঠককে যে পরিমাপ ও অনুমান পরীক্ষা করতে আহ্বান জানায় তাতে। সীমিত পরীক্ষা, স্বাধীন মূল্যায়ন ও ফিরিয়ে আনা যায় এমন সিদ্ধান্তের মাধ্যমে প্রস্তুতি নিন, তারপর প্রমাণ বদলালে পথ বদলান।